arXiv Computer Vision· Eunchan Jo, Seounghyun Jang, Sangwoo Mo·2026-10-16 12:00· 2 小时前AI 评分32

Loud and Clear：让多模态文档 RAG 中的视觉证据真正被用上

Loud and Clear: Making Visual Evidence Count in Multimodal Document RAG

AI 导读

多模态文档 RAG 的瓶颈不只在检索，还在于生成器如何读取检索到的页面：在 SciEGQA oracle 页面上，把页面视觉 token 预算从 1K 提到 32K 可提升准确率 15.22 分，固定 16K 预算下加入 ground-truth 裁剪再提升 3.75 分。

来源：arXiv Computer Vision · arxiv.org